環境安裝

1. 開啟Pycharm新專案：

   1.1 點擊New Project開啟新專案

   

   1.2 點擊New enviroment using，選擇Vitualenv後輸入專案名稱，再點擊Create。

   

2. 到Github下載Megvii-BaseDetection/YOLOX tag 0.2.0

   

3. 解壓縮後將YOLOX-main資料夾移動到Pycharm專案資料夾內，並更名為YOLOX。

   

   

4. 在Pycharm內點選Terminal，並依序輸入以下指令

   4.1 進入YOLOX資料夾：cd .\YOLOX\

   4.2 安裝需求套件：pip install -r requirements.txt

   

   4.3 安裝tensorboard：pip install tensorboard
   

   4.4 安裝CUDA與Torch

   • 我是使用RTX2060s，測試可行的版本如下。pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio===0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

   

   4.5 部署YOLOX環境：python setup.py develop

   

   • setup成功

     

   • setup失敗

     • 若提示No CUDA runtime is found, using CUDA_HOME='C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2'，可以嘗試其他版本的「CUDA與Torch」。

       

     • 可嘗試Torch官網的安裝指令：pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

       

模型推論(demo.py檔)

1. 預訓練模型YOLOX-s權重

   1.1 下載預訓練模型YOLOX-s權重

   1.2 放到YOLOX資料夾，用以執行demo.py測試是否部署環境成功。

   

2. 將assets資料夾內的dog照片複製成8張，可測試單張及多張照片的GPU推論速度。

   

3. 在Terminal輸入推論指令

   3.1 單張照片gpu推論：python tools/demo.py image -f exps/default/yolox_s.py -c yolox_s.pth --path assets/dog1.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu

   • 執行結果：載入模型+1張圖片推論，花費了1.8655秒。

     

   • 推論結果

     

   3.2 多張照片gpu推論：python tools/demo.py image -f exps/default/yolox_s.py -c yolox_s.pth --path assets/ --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu

   • 執行結果

     • 載入模型+第1張圖片推論，花費7.7089秒
     • 第2~8張圖片，1張圖片推論平均時間為0.0142秒。

     

   • 推論結果

     

   3.3 參數說明

   • -f 後面放參數設定的檔案路徑，如：exps/default/yolox_s.py
   • -c 後面放推論時讀取的weight檔案路徑，如：yolox_s.pth
   • --path 後面放要推論的圖片或資料夾路徑，如：assets/dog.jpg
   • --conf 後面放confidence的閾值，如：0.25
   • --nms 後面放非Non-Maximum Suppression的閾值，如：0.45
   • --tsize 待推論圖片輸入模型的尺寸，如：640
   • --save_result 是否儲存圖片推論結果，如：True
   • --device 後面放CPU或GPU，代表使用什麼設備推論，如：gpu

模型訓練(train.py檔)

1. COCO格式訓練

   1.1 資料集下載

   • 下載coco128資料集

   • 將coco128資料集解壓縮，並移到YOLOX下的datasets資料夾內。

     

   • 資料集結構如下圖。

     

   1.2 下載預訓練模型YOLOX-s權重，並放到YOLOX資料夾內。

   

   1.3 yolox-s.py參數檔

   • 開啟yolox-s.py：./YOLOX/exps/example/custom/yolox-s.py

     

   • 確認參數是否正確。

     # 資料集與COCO格式標籤路徑
     self.data_dir = "datasets/coco128"
     self.train_ann = "instances_train2017.json"
     self.val_ann = "instances_val2017.json"
     
     # 資料集類別數量(coco128有71個類別)
     self.num_classes = 71
     
     # 模型迭代次數
     self.max_epoch = 300
     
     # 影響資料前處理速度，通常使用4或8
     self.data_num_workers = 4
     

   1.4 coco_classes.py：將COCO_CLASSES = ( ) 中的類別，修改成coco128的71個類別。

   

   1.3 執行訓練：python tools/train.py -f exps/example/custom/yolox_s.py -d 0 -b 16 --fp16 -o -c yolox_s.pth

   

   1.4 Demo測試：python tools/demo.py image -f exps/example/custom/yolox_s.py -c YOLOX_outputs/coco128/best_ckpt.pth --path assets/ --conf 0.25 --nms 0.5 --tsize 640 --save_result --device gpu

補充

1. 在Windows系統上，若下載Megvii-BaseDetection/YOLOX tag 0.3.0進行部署，模型訓練第一個回合後，調用yolox/evaluators/coco_evaluator.py計算AP時，可能會出現下列錯誤。

Using C:\Users\88691\AppData\Local\torch_extensions\torch_extensions\Cache\py37_cu113 as PyTorch extensions root...
C:\Users\88691\PycharmProjects\YOLOX\venv\lib\site-packages\torch\utils\cpp_extension.py:316: UserWarning: Error checking compiler version for cl: [WinError 2] 系統找不到指定的檔案。
  warnings.warn(f'Error checking compiler version for {compiler}: {error}')
Emitting ninja build file C:\Users\88691\AppData\Local\torch_extensions\torch_extensions\Cache\py37_cu113\fast_cocoeval\build.ninja...
資訊: 找不到提供模式的檔案。

• 異常訊息

  

  

2. 上述情形，推測可能是python轉換成c++時出現未知的編碼錯誤，提供暫時解決方法如下。

• yolox/evaluators/coco_evaluator.py修改前

  try:
      from yolox.layers import COCOeval_opt as COCOeval
  except ImportError:
      from pycocotools.cocoeval import COCOeval
  

• yolox/evaluators/coco_evaluator.py修改後

  from pycocotools.cocoeval import COCOeval
  

• 修改後，直接從pycocotools套件中呼叫COCOeval，跳過異常階段順利計算AP。

  

• 另外一個可能解決方法

  

小結

下一站，我們前往「YOLOv7本地端訓練(Windows)」，分享如何設置YOLOv7環境，並進行訓練與推論。

讓我們繼續看下去...

參考資料

1. Megvii-BaseDetection/YOLOX
2. 如何使用自己的資料集訓練 YOLOX
3. YOLOX 環境搭建 | 測試 | COCO訓練複現 【️YOLOX 實戰️】